Реставрацiя зображень методом super-resolution з використанням згорткових нейронних мереж

Скорочена інформація про документ
dc.contributor.authorНедзельський, О. Ю.
dc.contributor.authorЛащевська, Н. О.
dc.date.accessioned2023-05-31T07:42:19Z
dc.date.available2023-05-31T07:42:19Z
dc.date.issued2023
dc.description.abstractГоловна мета методу супер роздiльної здатностi (super-resolution) полягає у створеннi зображення бiльш високої роздiльної здатностi з зображень нижчої роздiльної здатностi. Зображення високої роздiльної здатностi забезпечують високу щiльнiсть пiкселiв, отже, бiльше деталей на вихiдному зображенi. Необхiднiсть високої роздiльної здатностi широко поширена у методах комп’ютерного зору, в програмах для розпiзнавання образiв або звичайного аналiзу зображень. Проте зображення високої роздiльної здатностi не завжди є доступними. Це пов’язано з тим, що процеси перетворення та методи для обробки вимагають надпотужних процесiв, тому i обладнання для отримання зображень високої роздiльної здатностi виявляється дорогим. Цi проблеми можуть бути подоланi за допомогою алгоритмiв обробки зображень, якi є вiдносно недорогими, що призвело до появи концепцiї надрозв’язання. Це дає перевагу, тому що може коштувати дешевше, а iснуючi системи вiзуалiзацiї з низькою роздiльною здатнiстю є достатньо доступними. Висока роздiльна здатнiсть має велике значення у медичнiй вiзуалiзацiї для дiагностики. Багато програм вимагають масштабування конкретної областi зображення, при цьому висока роздiльна здатнiсть стає необхiдною, наприклад, для спостереження, кримiналiстики та супутникової вiзуалiзацiї. Наведений в роботi метод з використанням згорткової нейронної мережi для вiдтворення зображень супер роздiльної здатностi напряму виконує перетворення з низького зображення на зображення подiбне до оригiналу. Щоб прискорити час виходу, запропонований метод виконує бiльшiсть обчислювальних операцiй у просторi з низьким дозволом та при цьому зменшення дискретизацiї не призводить до втрати iнформацiї. Головна задача роботи нейронної мережi полягає в реконструкцiї спотвореного зображення та пошуку iдеальної функцiї вiдтворення, по якiй, власне, нейронна мережа простої структури створює якiснi зображення з кращими показниками, таким як роздiльна здатнiсть, спiввiдношення сигнал/шум, меншi часовi витрати на вiдновлення зображення. Пiд час експеременту було визначено алгоритм, по якому запропонована нейронна мережа може реконструювати будь-яке зображення, з рiзними видами спотворень. Метод super-resolution був реалiзований з використанням мови програмування python 3.6 та програмних модулiв для згорткових нейронних мереж tensorflow та tensorlayer. Графiчнi даннi спiввiдношення сигнал/шум, структурної подiбностi та графiки втрат були отриманнi за допомогою модулю tensorboardX.uk
dc.description.abstractotherThe main goal of the super resolution method is to create a higher resolution image from a lower resolution image. High-resolution images provide a high pixel density, hence more detail in the original image. The need forhigh resolution is widespread in computer vision techniques, pattern recognition applications, or general image analysis. However, high-resolution images are not always available. This is due to the fact that the conversion processes and processing methods require ultra-powerful processes, and the equipment for obtaining high-resolution images is expensive. These problems can be overcome by using image processing algorithms that are relatively inexpensive, which has led to the concept of superresolution. This has the advantage that it can cost less and existing low-resolution imaging systems are readily available. High resolution is essential in medical imaging for diagnosis. Many applications require zooming into a specific image area, where high resolution becomes essential, such as surveillance, forensics, and satellite imaging. The method is presented in this paper, using a convolutional neural network to reproduce super-resolution images, directly performs the conversion from a low-resolution image to an image similar to the original. To speed up the output time, the proposed method performs most computational operations in low-resolution space, while reducing the sampling does not lead to information loss. The main task of the neural network is to reconstruct the distorted image and find the ideal reconstruction function, according to which, in fact, a neural network of a simple structure creates high-quality images with better performance, such as resolution, signal-to-noise ratio, with less time spent on image restoration. During the experiment, we determined an algorithm bywhich the proposed neural network can reconstruct any image with different types of distortion. The super-resolution method is implemented using the python 3.6 programming language and the tensorflow and tensorlayer software modules for convolutional neural networks. Graphical data of signal-tonoise ratio, structural similarity, and loss plots are obtained using the tensorboardX module.uk
dc.format.pagerangePp. 79-86uk
dc.identifier.citationНедзельський, О. Ю. Реставрацiя зображень методом super-resolution з використанням згорткових нейронних мереж / Недзельський О. Ю., Лащевська Н. О. // Вісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць. – 2023. – Вип. 91. – С. 79-86. – Бібліогр.: 14 назв.uk
dc.identifier.doihttps://doi.org/10.20535/RADAP.2023.91.79-86
dc.identifier.orcid0000-0003-2148-115Xuk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/56380
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.relation.ispartofВісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць, Вип. 91uk
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectсупер роздiльна здатнiстьuk
dc.subjectзгортковi нейронi мережiuk
dc.subjectспiввiдношення сигналу до шумуuk
dc.subjectвтрата MSEuk
dc.subjectвтрата VGGuk
dc.subjectкоефiцiєнт зменшення вибiркиuk
dc.subjectкодерuk
dc.subjectдекодерuk
dc.subjectдесубпiксельuk
dc.subjectsuper resolutionuk
dc.subjectconvolutional neural networksuk
dc.subjectsignal-to-noise ratiouk
dc.subjectMSE lossuk
dc.subjectVGG lossuk
dc.subjectsampling reduction factoruk
dc.subjectencoderuk
dc.subjectdecoderuk
dc.subjectdesubpixeluk
dc.subject.udc621.372.061uk
dc.titleРеставрацiя зображень методом super-resolution з використанням згорткових нейронних мережuk
dc.title.alternativeSuper-Resolution Image Restoration Using Convolutional Neural Networkuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
1907-5557-1-10-20230331.pdf
Розмір:
2.33 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
1.71 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Вісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць, Вип. 91